L’identificazione precoce dei pazienti con insufficienza respiratoria acuta a maggior rischio di fallimento della ventilazione non invasiva (NIV) rappresenta una sfida costante e cruciale: un riconoscimento tardivo, infatti, si associa a un incremento del rischio di mortalità (1, 2). Ad oggi, tuttavia, non esistono linee guida ufficiali e validate per l’identificazione tempestiva di tali pazienti (3).
Nel tempo sono stati proposti diversi punteggi clinici per prevedere l’esito della NIV (4), ma permane una notevole incertezza riguardante i valori di cut-off ottimali e il potere discriminatorio di tali strumenti nei diversi contesti clinici e in relazione all'eziologia dell'insufficienza respiratoria (5). Indici come l'HACOR, l'Updated HACOR e il ROX presentano un’applicabilità limitata nella pratica clinica di routine poiché, in fase di validazione, sono stati esclusi sottogruppi di pazienti rilevanti: soggetti con insufficienza respiratoria ipercapnica da riacutizzazione di broncopneumopatia cronica ostruttiva (BPCO), pazienti con sindrome obesità-ipoventilazione (OHS) e coloro che sono stati sottoposti a NIV dopo il fallimento della terapia con ossigeno ad alto flusso (6-8).
Il recente sviluppo di strumenti di machine learning (ML) e intelligenza artificiale (IA) ha permesso di condurre nuovi studi volti a facilitare il processo decisionale clinico. In questo contesto, un lavoro pubblicato a febbraio 2026 introduce “NIVpredict”, uno strumento di IA progettato per supportare i clinici nella previsione degli esiti della NIV.
A differenza degli indici tradizionali, questo modello sfrutta l’apprendimento contestuale per generare previsioni accurate senza necessità di riaddestramento continuo, riducendo il carico computazionale e facilitando l’implementazione ospedaliera.
Il documento descrive un rigoroso processo di validazione suddiviso in tre fasi: addestramento, validazione esterna e test in ambiente ospedaliero.
Per l’addestramento e la convalida incrociata interna sono stati utilizzati i dati dello studio RENOVATE (9), trial clinico randomizzato su 1.766 pazienti, di cui 665 trattati con NIV, comprendente pazienti ipossiemici immunocompromessi e non, casi di COVID-19 e quadri di acidosi respiratoria da riacutizzazione di BPCO. La validazione esterna è stata effettuata su un set di 422 pazienti, aggregando dati provenienti da studi condotti in Italia e Spagna (anni 2007 e 2020) (10, 11) e dal database MIMIC-IV del Beth Israel Deaconess Medical Center (USA) (12). Il campione europeo era costituito principalmente da pazienti con sindrome da distress respiratorio acuto (ARDS) e insufficienza ipossiemica secondaria a polmonite, sepsi e COVID-19, mentre quello statunitense includeva un mix diagnostico più ampio (BPCO, polmonite e OHS). Il modello è stato infine testato presso l'University Hospital of North Midlands NHS Trust (Regno Unito) tra il dicembre 2024 e il novembre 2025, coinvolgendo 57 pazienti con insufficienza respiratoria acuta, trattati sia in reparto che in terapia intensiva e affetti da BPCO, polmonite acquisita in comunità, sepsi e OHS.
Per ogni paziente sono stati raccolti parametri anagrafici, anamnestici (BPCO, ricovero in UTI, score SAPS II) e clinici, comprendenti: la frequenza respiratoria (RR), il pH, la pressione parziale di ossigeno (pO2) e di CO2 (pCO2) all’emogasanaisi, la saturazione di ossigeno (SpO2), la frazione di ossigeno somministrata al paziente (FiO2) e i dati di impostazione della NIV (la pressione positiva applicata durante la fase di inspirazione IPAP, e la pressione mantenuta durante l'espirazione EPAP, espresse in cmH2O), registrati sia al basale (T0, 6 ore prima dell'avvio della NIV) che a distanza di 1-2 ore dall’inizio del supporto non invasivo (T1).
L’identificazione delle variabili più informative è avvenuta tramite un algoritmo genetico combinato con una convalida incrociata a 10 fold. I predittori più significativi sono risultati essere il rapporto PaO₂/FiO₂ (T1), RR (T1), PaO₂/FiO₂ (T0), ΔpH e ΔFiO₂. L’osservazione temporale di questi dati ha inoltre permesso una valutazione più completa.
Dopo l'inserimento dei dati, lo strumento di Intelligenza Artificiale integrato ha generato una previsione immediata del successo o del fallimento della NIV con un punteggio di confidenza, consentendo un rapido supporto alle decisioni cliniche.
I risultati indicano che NIVPredict ha superato costantemente gli indici clinici tradizionali: durante i test ospedalieri, ha raggiunto un’area sotto la curva (AUC) di 0.858, contro lo 0.693 del miglior indice clinico attualmente disponibile (Updated HACOR score). Tale superiorità è derivata anche dalla natura "dinamica" della previsione, che considera la variazione dei parametri nel tempo rispetto alla singola rilevazione statica. Quando il punteggio di confidenza superava il 60%, l’accuratezza nei test saliva al 90,2%.
Un vantaggio peculiare di NIVPredict è la capacità di gestire sia l'insufficienza respiratoria ipossiemica che quella ipercapnica, adattandosi ai diversi pattern fisiopatologici.
Il modello, come evidenziato da un’analisi SHAP separata per ciascun gruppo di pazienti, distingue efficacemente i diversi fattori fisiopatologici che determinano il fallimento della NIV nei diversi fenotipi. Ad esempio, nella coorte ipercapnica, il modello assegna un peso predittivo significativamente maggiore alle variabili che rappresentano la domanda ventilatoria e lo stato acido-base (RR e variazioni temporali di PaCO₂ e pH), rispetto alla coorte ipossiemica.
Ciò ha permesso lo sviluppo di uno strumento più generalizzabile e con maggiore rilevanza clinica, il cui utilizzo da parte dei clinici in ambito ospedaliero ha potuto essere valutato per la prima volta tramite test in ospedale tramite un'interfaccia web.
Le previsioni ad elevata affidabilità sul successo della NIV possono fornire maggiore sicurezza sull'efficacia del supporto non invasivo e contribuire a evitare un'inutile intensificazione del trattamento, con i relativi rischi per il paziente e costi per gli operatori sanitari. Al contrario, previsioni ad alta affidabilità sul fallimento della NIV possono indurre un monitoraggio più attento del paziente, a rivalutare il trattamento in corso (ad esempio, regolando il setting ventilatorio) o a pianificare un'intensificazione del trattamento.
Lo strumento non propone soglie di rischio specifiche: i clinici devono decidere autonomamente integrando l’analisi del modello con i dati obiettivi e complessivi del paziente.
Questo studio presenta alcune limitazioni: l'esclusione di parametri come il volume corrente, il livello di coscienza e il bilancio idrico, non disponibili in tutti i set di dati utilizzati. Inoltre, alcuni paramenti di valutazione importanti sono racchiusi nel punteggio SAPS II, che però viene fornito al modello matematico come punteggio complessivo.
In conclusione, NIVPredict si dimostra un utile strumento di supporto che non sostituisce il giudizio medico, ma lo potenzia nel processo decisionale quotidiano.
Futuri studi con set di dati più ampi e ulteriori variabili permetteranno di affinare ulteriormente l’accuratezza predittiva e la specificità eziologica.
La validazione e l’implementazione di strumenti come questo costituiscono materia di riflessione e di dibattito. Se da un lato l’utilizzo dell’IA può agevolare la pratica clinica, dall'altro emerge il rischio che, a lungo andare, i medici finiscano per affidarsi eccessivamente alle risposte fornite, indebolendo il proprio senso critico. Sarà fondamentale, pertanto, considerare sempre tali modelli come un supporto integrativo, da valutare costantemente alla luce dell'analisi clinica, anamnestica e obiettivo del paziente.

Bibliografia

1. Grieco DL, Maggiore SM, Roca O, et al. Non-invasive ventilatory support and high-flow nasal oxygen as first-line treatment of acute hypoxemic respiratory failure and ARDS. Intensive Care Med 2021;47:851–66.
2. Ferreyro BL, Angriman F, Munshi L, et al. Association of noninvasive oxygenation strategies with all-cause mortality in adults with acute hypoxemic respiratory failure: asystematic review and meta-analysis. JAMA 2020;324:57–67.
3. Grasselli G, Calfee CS, Camporota L, et al. ESICM guidelines on acute respiratory distress syndrome: definition, phenotyping and respiratory support strategies. Intensive Care Med 2023;49:727–59.
4. Lee KG, Roca O, Casey JD, et al. When to intubate in acute hypoxaemic respiratory failure? Options and opportunities for evidence-informed decision making in theintensive care unit. Lancet Respir Med 2024. 10.1016/S2213-2600(24)00118-8.
5. Yarnell CJ, Johnson A, Dam T, et al. Do thresholds for invasive ventilation in hypoxemicrespiratory failure exist? A cohort study. Am J Respir Crit Care Med 2023;207:271–82.
6. Duan J, Han X, Bai L, et al. Assessment of heart rate, acidosis, consciousness, oxygenation, and respiratory rate to predict noninvasive ventilation failure in hypoxemic patients. Intensive Care Med 2017;43:192–9.
7. Duan J, Chen L, Liu X, et al. An updated HACOR score for predicting the failure of noninvasive ventilation: a multicenter prospective observational study. Crit Care 2022;26:196.
8. Duan J, Yang J, Jiang L, et al. Prediction of noninvasive ventilation failure using the ROX index in patients with de Novo acute respiratory failure. Ann Intensive Care 2022;12:110.
9. RENOVATE Investigators and the BRICNet Authors. High-flow nasal oxygen vs noninvasive ventilation in patients with acute respiratory failure: the RENOVATE randomized clinical trial. JAMA 2025 ,333:875-90.
10. Tonelli R, Fantini R, Tabbì L, et al. Early inspiratory effort assessment by esophageal manometry predicts non-invasive ventilation outcome in de novo respiratory failure: a pilot study. Am J Respir Crit Care Med 2020;202:558–67.
11. Antonelli M, Conti G, Esquinas A, et al. A multiple-centre survey on the use in clinical practice of noninvasive ventilation as a first-line intervention for acute respiratory distress syndrome. Crit Care Med 2007;35:18–25.
12. Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data 2023;10:1.